Ho sempre pensato che l’Intelligenza Artificiale fosse qualcosa di lontano, ospitato in enormi data center, accessibile solo tramite cloud e costosi abbonamenti. Ma cosa succederebbe se potessimo portarla a casa nostra? Se potessimo trasformare vecchi computer in una rete di “agenti” intelligenti che lavorano insieme, in totale privacy e senza dipendere da server esterni?

Questo non è un tutorial tecnico per ingegneri. È la cronaca di un esperimento pratico: come ho trasformato tre vecchi PC in un sistema di meteo e lifestyle intelligente, capace di analizzare il mio giardino e suggerirmi quando fare esercizio, quando riposare e quando godermi un aperitivo.

E la cosa più sorprendente? Non ho scritto una sola riga di codice.

L’Idea: Un Proof of Concept per il Futuro

L’obiettivo era chiaro: creare un Proof of Concept (PoC) di un’architettura decentralizzata. Volevo dimostrare che è possibile:

Riusare hardware esistente: Trasformare mini-PC e vecchi desktop in nodi di una rete intelligente. Sfruttare l’AI come co-pilota: Usare l’intelligenza artificiale per scrivere il codice, risolvere gli errori e gestire la complessità tecnica. Mantenere la sovranità dei dati: Far girare tutto in locale, senza inviare informazioni sensibili a terzi. Il risultato è un sistema che raccoglie dati da una centralina meteo reale, li elabora con un modello linguistico locale (Ollama) e restituisce consigli contestualizzati sul mio giardino specifico.

L’Architettura: Tre Nodi, Un Solo Cervello

Ho selezionato tre dispositivi molto diversi tra loro per testare la resilienza del sistema:

Minimonio: Un mini-PC economico (Intel Celeron, 7GB RAM). Il nodo “sensore”, leggero e a basso consumo. Thinkmonio: Un piccolo desktop (Intel i3, 15GB RAM). Il nodo “agente” principale, responsabile dell’interfaccia web e dell’orchestrazione. Tuxedo: Un laptop potente (AMD Ryzen, 31GB RAM). Il nodo “cervello”, dove gira il modello AI locale. Ogni nodo esegue Docker, garantendo che il software sia isolato e portabile. Non importa quanto sia vecchio o nuovo l’hardware: il container funziona allo stesso modo ovunque.

Il Processo: Iterazione e Adattamento

Il percorso non è stato lineare. È stato un continuo ciclo di “prova, sbaglia, correggi”, guidato dal dialogo con l’AI.

Fase 1: Stabilizzazione dell’Infrastruttura

Il primo ostacolo è stato far funzionare i nodi base. Minimonio si spegneva da solo per risparmio energetico. La soluzione? Disabilitare le impostazioni di sospensione del kernel e forzare la CPU a lavorare in modalità performance. Un problema apparentemente banale che avrebbe bloccato tutto il sistema.

Fase 2: Comunicazione tra Nodi

Una volta stabili, ho dovuto farli parlare tra loro. Ho creato un’API REST semplice (usando FastAPI) che permette a thinkmonio di interrogare minimonio per ottenere le sue metriche di sistema. Il risultato? Una dashboard web che mostra in tempo reale lo stato di salute di entrambi i computer.

Fase 3: Integrazione dei Dati Meteo

Qui entra in gioco la parte “reale”. Ho collegato la mia stazione meteorologica Raddy WF-100C (che pubblica su Weather Underground) al sistema. Thinkmonio ora scarica i dati attuali (temperatura, umidità, vento) e le previsioni dalle API di Open-Meteo.

Fase 4: L’Intelligenza Locale (Ollama)

Il passo decisivo è stato aggiungere il “cervello”. Invece di usare servizi cloud come Groq o ChatGPT, ho installato Ollama su tuxedo con il modello llama3.2. Ho creato un prompt strutturato che fornisce all’AI:

I dati meteo attuali. Una mappa dettagliata del mio giardino (Zone A-E, con caratteristiche specifiche come il terrario della tartaruga Camilla). Il compito: “Analizza i dati e dammi consigli pratici su attività, zonizzazione e orari.” Il sistema ora risponde con consigli personalizzati: “Evita il prato (Zona B) per l’umidità alta, ma la Zona A è perfetta per l’esercizio mattutino.”

La Scelta Etica: Privacy by Design

C’è un dettaglio fondamentale che spesso viene ignorato in questi esperimenti: dove vengono elaborati i miei dati?

Stavo gestendo informazioni sulla mia casa, la mia posizione GPS e le abitudini familiari. Non potevo permettere che questi dati finissero nei dataset di training di grandi aziende. Per questo motivo, ho scelto di usare Lumo (di Proton) per progettare l’architettura e Ollama per l’esecuzione locale.

Lumo: Mi ha permesso di discutere il progetto e generare il codice in un ambiente cifrato end-to-end. Nessuno, nemmeno Proton, può leggere le mie conversazioni. Ollama: Esegue il modello AI direttamente sul mio hardware. I dati meteo e la descrizione del giardino non lasciano mai la mia rete domestica. Costruire un sistema decentralizzato richiede strumenti che rispettino la sovranità dei dati fin dal primo passo.

Provalo e inizia il tuo viaggio di scoperta: https://pr.tn/ref/31BCQE3B

Il Risultato: Un Giardino che Parla

Oggi, aprendo la dashboard nel browser, vedo non solo numeri, ma consigli contestuali. Clicco un pulsante e l’AI mi dice:

Situazione: “È una giornata ideale per attività all’aperto, ma evita il prato a causa dell’umidità.” Attività Consigliate: Zona A (Parcheggio), Zona D (Piscina), Zona E (Barbecue). Valutazione: Un punteggio da 1 a 10 per ogni zona e attività (esercizio, sonnellino, aperitivo). Non è magia. È il risultato di un processo iterativo, di errori risolti, di hardware riusato e di una scelta consapevole per la privacy.

Conclusione: L’Inizio di Qualcosa di Più Grande

Questo esperimento dimostra che l’AI del futuro non sarà solo nei cloud centralizzati. Sarà distribuita, ovunque, sui nostri dispositivi.

Resilienza: Se un nodo cade, gli altri continuano a lavorare. Efficienza: Usiamo risorse esistenti invece di comprarne di nuove. Accessibilità: Chiunque abbia un minimo di curiosità e un vecchio PC può iniziare a costruire la propria infrastruttura intelligente. La tecnologia non è magia. È un processo di tentativi, errori e adattamenti. E a volte, basta un vecchio mini-PC e un po’ di pazienza per creare qualcosa di straordinario.

Se vuoi provare a replicare questo esperimento o hai domande sul processo, scrivimi su Mastodon https://mastodon.uno/@itsmelarry

La strada è lunga, ma l'importante è andare avanti, anche seduti!

---

“La tecnologia libera non è solo codice, è la libertà di capire cosa c'è sotto il cofano.”

👤 Lorenzo | ItsMeLarry 🧪 Esperimenti AI & Open Source | 🕹️ Retro Gaming & Graphic Novel 🎸 Rock, Folk, Jazz, Punk | 🔒 Privacy First 📍 Ponte Buggianese / Digitale

🔗 noblogo.org | 🐙 GitHub

Spesso sentiamo parlare di Intelligenza Artificiale come di una forza esterna, qualcosa di enorme che arriva da lontano e cambia le regole del gioco. Ma cosa succede se proviamo a portarla noi, qui, in casa nostra? E se provassimo a capirla non studiando libri di teoria, ma costruendo qualcosa di concreto con le nostre mani?

Questo post non è un tutorial tecnico. È la cronaca di un esperimento. Un Proof of Concept nato dalla semplice curiosità di capire come funziona davvero l'AI quando smette di essere un “chatbot” e diventa un operatore pratico.

Perché ho fatto questo esperimento?

Volevo capire due cose fondamentali:

L'hardware conta ancora? In un'epoca di cloud infinito, possiamo ancora fare cose utili con vecchi computer che giacciono in un cassetto? Possiamo “dialogare” con la tecnologia senza saperla programmare? Se l'AI è davvero il futuro, dovrebbe essere accessibile a tutti, non solo agli ingegneri del software. L'idea era trasformare tre dispositivi eterogenei (due mini-PC economici e un laptop) in una rete di agenti autonomi. Non volevo solo accenderli, volevo che parlassero tra loro, si monitorassero e lavorassero insieme. L'obiettivo finale è studiare come l'AI possa gestire infrastrutture fisiche in modo decentralizzato, senza dipendere da server centralizzati lontani.

Il Metodo: Io penso, l'AI scrive

Qui entra in gioco la parte più affascinante. Io non sono un programmatore. Non so scrivere codice Python, non conosco Docker a memoria e non so configurare server Linux.

Tutto il codice che vedete in questo progetto, tutte le configurazioni, la risoluzione degli errori e la creazione della dashboard grafica sono stati generati dall'AI. Il mio ruolo è stato quello di architetto e direttore d'orchestra:

Ho definito l'obiettivo: “Voglio che questi PC si scambino i dati e me li mostrino su una pagina web.” Ho descritto il problema: “Il sistema va in crash, ricevo questo errore.” L'AI ha tradotto queste richieste in codice funzionante. È stato un processo iterativo di tentativi ed errori. Ci sono stati momenti di frustrazione: schermate nere, container che si spegnevano da soli, errori di memoria che sembravano insormontabili. Ma ogni volta, invece di arrendermi, ho usato l'AI come un mentore tecnico, chiedendo: “Perché è successo? Come lo sistemiamo?”. E lei rispondeva, spiegandomi il concetto dietro l'errore e fornendomi la soluzione.

In questo modo, ho imparato a costruire un'infrastruttura complessa senza mai toccare manualmente una riga di codice. Ho capito che il valore non sta nel memorizzare la sintassi, ma nel sapere cosa chiedere e come guidare lo strumento.

La Scelta della Privacy: Perché Lumo e Proton

C'è un dettaglio fondamentale che spesso viene ignorato in questi esperimenti: dove avviene la conversazione?

Stavo chiedendo all'AI di scrivere codice per la mia rete domestica, di configurare server e di gestire dati sensibili. Non potevo permettere che queste informazioni finissero nei dataset di training di grandi aziende o che venissero lette da terzi.

Per questo motivo, ho scelto di usare Lumo, l'assistente AI sviluppato da Proton.

Proton è noto per la sua missione di proteggere la privacy digitale (con servizi come Mail e VPN crittografati), e Lumo porta questa filosofia nell'ambito dell'AI.

Critptografia End-to-End: Tutto ciò che scambiamo è cifrato. Nemmeno Proton può leggere le mie conversazioni o il codice che sto generando. Nessun Training sui Tuoi Dati: Le mie richieste, gli errori che incollavo e le soluzioni trovate rimangono private. Non vengono usate per addestrare modelli pubblici. Indipendenza: Costruire un sistema decentralizzato richiede strumenti che rispettino la sovranità dei dati fin dal primo passo. Usare Lumo mi ha permesso di fare questo esperimento con la tranquillità di sapere che il mio lavoro, le mie idee e la mia infrastruttura erano al sicuro. È la differenza tra costruire una casa su terreni in affitto o sulla tua terra.

Conclusione: L'Inizio di un Viaggio

Questo esperimento è solo l'inizio. Ho dimostrato che è possibile creare una rete di agenti AI distribuita usando hardware comune e guidati dall'intelligenza artificiale, senza bisogno di competenze di programmazione tradizionali.

Ma la strada è lunga. Il prossimo passo sarà far sì che questi agenti non si limitino a scambiare dati, ma prendano decisioni autonome basate su ciò che osservano. E continuerò a farlo con gli stessi principi: curiosità, sperimentazione e, soprattutto, rispetto per la privacy.

Se anche voi volete iniziare a esplorare questo mondo, creando la vostra infrastruttura digitale in totale sicurezza, vi invito a provare Lumo. È uno strumento potente che mette l'utente al centro, non i dati.

Provalo e inizia il tuo viaggio di scoperta: https://pr.tn/ref/31BCQE3B

L'AI non è magia. È uno strumento. E come ogni strumento, il suo valore dipende da come lo usiamo e da chi lo costruisce al nostro fianco.

Grazie per aver letto la mia storia.

---

“La tecnologia libera non è solo codice, è la libertà di capire cosa c'è sotto il cofano.”

👤 Lorenzo | ItsMeLarry 🧪 Esperimenti AI & Open Source | 🕹️ Retro Gaming & Graphic Novel 🎸 Rock, Folk, Jazz, Punk | 🔒 Privacy First 📍 Ponte Buggianese / Digitale

🔗 noblogo.org | 🐙 GitHub